曹俊興

(成都理工大學(xué) 油氣藏地質(zhì)及開發(fā)工程國家重點實驗室， 成都 610059)

深度學(xué)習(xí)及其在深層天然氣儲層預(yù)測中的應(yīng)用實驗

曹俊興

(成都理工大學(xué) 油氣藏地質(zhì)及開發(fā)工程國家重點實驗室， 成都 610059)

介紹深度學(xué)習(xí)的基本理論方法及基于地震數(shù)據(jù)深度學(xué)習(xí)的深層天然氣儲層預(yù)測。指出了深層油氣儲層的“三弱”特點和預(yù)測所涉及的問題與面臨的困難；提出了深度學(xué)習(xí)的深網(wǎng)絡(luò)構(gòu)建與訓(xùn)練方法，基于地震數(shù)據(jù)深度學(xué)習(xí)的深層天然氣儲層預(yù)測進(jìn)行實驗。認(rèn)為深度學(xué)習(xí)(Deep learning)揭示對象內(nèi)秉特征的能力，有助于發(fā)現(xiàn)使用現(xiàn)有方法難以發(fā)現(xiàn)的油氣儲層地震響應(yīng)的內(nèi)稟特征。同時探討了基于地震數(shù)據(jù)深度學(xué)習(xí)的油氣儲層預(yù)測所涉及的關(guān)鍵性科學(xué)技術(shù)問題。

深度學(xué)習(xí)； 儲層預(yù)測； 地震

0 引言

盡管原油價格持續(xù)低迷，石油和天然氣仍是我國緊缺的戰(zhàn)略性能源資源。據(jù)2017年《BP世界能源統(tǒng)計年鑒》[1]，2016年世界一次能源消費中石油、天然氣和煤炭的占比分別為33.27%、24.13%、28.11%；我國2016年一次能源消費中石油、天然氣和煤炭的占比分別為18.95%、6.2%、61.83%。世界一次能源消費中煤炭占比的很大部分是我國貢獻(xiàn)的。我國冬季日趨嚴(yán)重的霧霾固然有多重形成機制，而燃煤無疑是其重要因素之一。改善我國的一次能源結(jié)構(gòu)是關(guān)系國計民生的戰(zhàn)略任務(wù)。2016年12月國家發(fā)展改革委和國家能源局聯(lián)合發(fā)布的《能源生產(chǎn)和消費革命戰(zhàn)略 (2016-2030)》[2]要求一次能源消費中天然氣的占比在2030達(dá)到15%。2016年，我國天然氣生產(chǎn)1384×109m3，消費2103×109m3，對外依存度34.2%。這意味著在未來的十余年，我國的天然氣供給得有大幅地提升才能滿足社會經(jīng)濟(jì)發(fā)展的需求。中國石油第四次油氣資源普查[3]結(jié)果表明，我國深層碳酸鹽巖地層油氣資源豐富，但勘探開發(fā)難度很大,四川盆地安岳氣田歷經(jīng)近40年的勘探才得以發(fā)現(xiàn)充分說明了這一點。油氣勘探的核心目標(biāo)是發(fā)現(xiàn)油氣儲集體，一般稱為儲層預(yù)測。理論上講，對常規(guī)油氣儲層的預(yù)測需要測算出孔隙度、滲透率、油或氣飽和度三個參數(shù)。但在通常情況下，單使用地震數(shù)據(jù)極難可靠的做到這一點。通常情況下，儲層預(yù)測主要是測算巖石的孔隙度，因為在有豐沛的油氣源充注的層段，找到高孔隙度的巖石基本上就意味著找到了油氣儲層。但對古老地層，因其經(jīng)歷了多次構(gòu)造運動，地層中的油氣一般都經(jīng)歷過多次的遷移聚散[4]，油氣分布的地質(zhì)相控作用減弱，斷控、位(置)控作用加強。找到高孔隙度的巖石并不意味著就一定是油氣儲層。對深埋的古老地層，儲層預(yù)測最根本的還是確定巖石孔隙流體的屬性。直接識別巖石孔隙流體屬性，對油氣勘探學(xué)家來說是夢寐以求的事情。國內(nèi)、外學(xué)者為此努力了近半個世紀(jì)，針對天然氣儲層的識別發(fā)明或發(fā)現(xiàn)了一些有效的方法技術(shù)。這些方法大致可以分為三類：“亮點”識別[5]、AVO異常分析[6-7]和頻散分析類。其他方法基本上都可以歸為這些方法的衍生方法，如流體因子法可以歸為AVO分析類，低頻陰影分析[8]可以歸為頻散分析類。這些方法都既有成功的案例，也有完敗的記錄。根本的原因在于這些方法都有一定的適用條件，同時其他一些非含氣性變化也能引起類似的地震異常。如對理論完備的AVO異常分析方法，需要精確地知道縱橫波速度和地震波的入射角，而在一般情況下我們很難獲得準(zhǔn)確的橫波速度，如構(gòu)造比較復(fù)雜，地震波的入射角更難準(zhǔn)確估算，這些基本參數(shù)的估算誤差會引起假異?；蜓蜎]真異常，導(dǎo)致預(yù)測失敗。又如，煤層、火山巖等都會在地震剖面上形成假亮點，引起誤判。同時實踐中發(fā)現(xiàn)一些氣層在地震剖面上表現(xiàn)為“平點”或“暗點”[9-10]。深層油氣儲層，因埋深增加，同時儲層和宿主圍巖物性差異較小、地震響應(yīng)表現(xiàn)為弱非均質(zhì)、弱(反射)信號、弱(孔隙流體)信息(合并稱為“三弱”，具有這些特征的儲層稱為三弱儲層)，既有儲層預(yù)測方法適用條件基本都不滿足，因此難以發(fā)揮效用。為可靠鑒識深層油氣儲層，必須另辟蹊徑，從新的視角出發(fā)研究發(fā)展新的儲層預(yù)測方法技術(shù)。

基于地震的深層儲層預(yù)測，困難之處在于儲層孔隙流體地震響應(yīng)信號的識別或信息提取。如果這種響應(yīng)可觀測，一定是反映在地震記錄的微相上。此前我們發(fā)展了一個識別天然氣儲層的地震紋分析方法[11-12]，通過對特定地震紋參數(shù)變化特征的分析，能定性地區(qū)分天然氣儲層和宿主圍巖的響應(yīng)[13]，但也會出現(xiàn)誤判，即存在非氣影響的地震紋異常。尋找更穩(wěn)健的天然氣儲層識別方法仍是必要而且急迫的。

深度學(xué)習(xí)(Deep learning，DL)是新近發(fā)展起來的一類機器學(xué)習(xí)(Machine Learning，ML)算法。2012年6月，Google Brain項目組使用1000臺計算機(16000個處理器)經(jīng)過三天的深度學(xué)習(xí)創(chuàng)造出了一個有10×109個連接的“深網(wǎng)絡(luò)”，通過對數(shù)百萬個YouTube視頻的“學(xué)習(xí)”，提煉出了一個“貓面”并實現(xiàn)了對貓的自動識別，使得深度學(xué)習(xí)為學(xué)術(shù)和工業(yè)界所熟知。2016年，基于深度學(xué)習(xí)的AlphaGo戰(zhàn)勝了曾18次奪得世界冠軍的韓國職業(yè)圍棋九段高手李世石，使得深度學(xué)習(xí)為世人所熟知。其實深度學(xué)習(xí)的概念和算法發(fā)展經(jīng)歷了一個相當(dāng)漫長的過程[14]，今天仍在快速發(fā)展中,不斷有新的實現(xiàn)方法提出[15]。儲層預(yù)測目前主要采用比對或標(biāo)定的方法確定(地震記錄或地震屬性的)數(shù)據(jù)特征。深層儲層孔隙流體的地震響應(yīng)與地震屬性特征極其微弱，難以發(fā)現(xiàn)，自然無法比對或標(biāo)定。深度學(xué)習(xí)較之此前發(fā)展的其他機器學(xué)習(xí)算法的主要特點是，能夠進(jìn)行“抽象概念”的機器“提煉、表達(dá)”，也即具有知識學(xué)習(xí)和發(fā)現(xiàn)對象內(nèi)秉特征的能力。正是基于對深度學(xué)習(xí)這一特性的期許，我們希望能利用深度學(xué)習(xí)方法從地震大數(shù)據(jù)中挖掘出三弱儲層的地震數(shù)據(jù)內(nèi)稟特征，并以此為基礎(chǔ)進(jìn)行三弱儲層預(yù)測。2013年我們開始相關(guān)研究，2014年基于地震數(shù)據(jù)深度學(xué)習(xí)的儲層預(yù)測研究獲得國家自然科學(xué)基金重點項目資助，2016年取得初步但確定性的成功[16-19]。國內(nèi)、外都有其他學(xué)者進(jìn)行類似的研究，基本上仍處于探索階段[20-24]。雖然深度學(xué)習(xí)這兩年在人工智能領(lǐng)域很火，但在地球物理領(lǐng)域，許多人對其還是相當(dāng)陌生，筆者對深度學(xué)習(xí)的基本原理方法做了盡可能通俗易懂地介紹。我們介紹了探索利用地震數(shù)據(jù)深度學(xué)習(xí)進(jìn)行深層天然氣儲層預(yù)測的思路和初步結(jié)果，證明基于地震數(shù)據(jù)的深度學(xué)習(xí)有望發(fā)展成為有效的深層天然氣儲層預(yù)測方法技術(shù)。最后探討了地震數(shù)據(jù)深度學(xué)習(xí)涉及的科學(xué)技術(shù)問題。這些問題的解決不大可能一蹴而就，唯有持續(xù)努力才有望獲得理想的解決。地震數(shù)據(jù)的深度學(xué)習(xí)研究才剛起步，對有關(guān)問題的探討對后繼研究相信很有助益。

1 深度學(xué)習(xí)

1.1 深度學(xué)習(xí)的概念

深度學(xué)習(xí)(Deep Learning)是模擬神經(jīng)網(wǎng)絡(luò)處理信息的機制而發(fā)展起來的一類機器學(xué)習(xí)算法[25]。深度學(xué)習(xí)和早先的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)算法既有聯(lián)系又有區(qū)別。深度學(xué)習(xí)是有多個隱層的人工神經(jīng)網(wǎng)絡(luò)，你可以把它看成是更復(fù)雜更高級的神經(jīng)網(wǎng)絡(luò)，大可稱其為2.0版的人工神經(jīng)網(wǎng)絡(luò)，只要記住一點：深度學(xué)習(xí)是模擬人腦思維機制的有智能、能自主學(xué)習(xí)的算法。深度學(xué)習(xí)網(wǎng)絡(luò)與人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)差異如圖1所示，人工神經(jīng)網(wǎng)絡(luò)一般只有1個隱層，而深度學(xué)習(xí)網(wǎng)絡(luò)至少有2個隱層。深度學(xué)習(xí)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)目標(biāo)是一致的，都是試圖建立輸入數(shù)據(jù)和輸出信息之間穩(wěn)健的映射關(guān)系。比如把地震響應(yīng)數(shù)據(jù)(輸入信息)區(qū)分為含氣層地質(zhì)響應(yīng)數(shù)據(jù)和非含氣層地震響應(yīng)數(shù)據(jù)，這里的映射變換起模式識別與分類器的作用。

圖1 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)深神經(jīng)網(wǎng)絡(luò)對比示意圖Fig.1 Schematic diagrams showing artificial neural network and deep neural network(a)人工神經(jīng)網(wǎng)絡(luò); (b)深度學(xué)習(xí)深神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)網(wǎng)絡(luò)最主要的特點是其層次結(jié)構(gòu)。深度學(xué)習(xí)能通過逐層抽象深度挖據(jù)數(shù)據(jù)的本質(zhì)信息，它的低層級表示細(xì)節(jié)，高層級表示抽象的數(shù)據(jù)分析模型。通過組合低層特征形成更加抽象的高層屬性類別或特征表征。如 Google Brain 在視頻上從象素級的低層次特征出發(fā)，通過逐層組合抽象，最終提取出貓臉圖像那樣。

深度學(xué)習(xí)的思想可以追溯到1958年Rosenblatt提出的多層感知機(Multi-layer Perceptron)[26]和1965年Ivakhnenko & Lapa對多層感知機的訓(xùn)練[27]。2006年，Hinton[28-29]使用玻爾茲曼機(RBM)和自動編碼機對多層神經(jīng)網(wǎng)絡(luò)的成功訓(xùn)練，開創(chuàng)了深度學(xué)習(xí)的時代。實際上，此前，Hinton[30]對深度學(xué)習(xí)的研究堅持進(jìn)行了二十多年。Schmidhuber[31]對深度學(xué)習(xí)的來龍去脈及相關(guān)研究做過系統(tǒng)的梳理。

自2006年Hinton的文章發(fā)表以來，尤其是2012年Google Brain從視頻圖像成功提煉并識別出“貓”以來，深度學(xué)習(xí)已經(jīng)滲透到了人工智能的各個領(lǐng)域，在語音處理、圖像識別等領(lǐng)域獲得了巨大的成功。廣為人知的AlphaGo和使用日漸普遍的人臉識別系統(tǒng)都是基于深度學(xué)習(xí)設(shè)計開發(fā)的。

1.2 深網(wǎng)絡(luò)架構(gòu)( deep network architecture)

深度學(xué)習(xí)的內(nèi)涵是設(shè)計、訓(xùn)練一個有多個隱層的深網(wǎng)絡(luò)。深網(wǎng)絡(luò)的設(shè)計依賴于對象(數(shù)據(jù))特點與學(xué)習(xí)目標(biāo)，和網(wǎng)絡(luò)的訓(xùn)練方法密切相關(guān)。深網(wǎng)絡(luò)設(shè)計基本的要素包括：隱層數(shù)、每個隱層的神經(jīng)元個數(shù)、以及神經(jīng)元之間的鏈接方式等。

關(guān)于深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)的著述比較多，網(wǎng)上也有許多博客文章可參考。此只簡要介紹核心和關(guān)鍵之處。深度學(xué)習(xí)網(wǎng)絡(luò)具體架構(gòu)雖有多種，但大體可以歸為2類：①深信網(wǎng)絡(luò)(deep belief networks，DBN);②卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)。各自都有許多變種。深信網(wǎng)絡(luò)適用于語音等時序信號的處理(如自然語言處理)；卷積神經(jīng)網(wǎng)絡(luò)適用于圖像處理(如人臉識別)。地震數(shù)據(jù)(如按道視為時序信號)可以用深信網(wǎng)絡(luò)學(xué)習(xí)；如按剖面視為圖像，可以用卷積神經(jīng)網(wǎng)絡(luò)處理。兩類深網(wǎng)絡(luò)的應(yīng)用領(lǐng)域沒有嚴(yán)格的界線，也有學(xué)者用卷積神經(jīng)網(wǎng)絡(luò)處理語音信號。

深信網(wǎng)絡(luò)的結(jié)構(gòu)示意圖(圖2)。實際網(wǎng)絡(luò)的隱層數(shù)、每個隱層的單元個數(shù)依據(jù)問題的復(fù)雜度和計算能力設(shè)定，神經(jīng)元間的連接方式依據(jù)網(wǎng)絡(luò)訓(xùn)練算法設(shè)定。

圖2 深信網(wǎng)絡(luò)示意圖Fig.2 Schematic diagrams showing deep belief networks (DBN)

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖(圖3)。卷積網(wǎng)絡(luò)結(jié)構(gòu)與深信網(wǎng)絡(luò)結(jié)構(gòu)有較大的不同，輸入圖像經(jīng)過多層級的卷積和池化，才到類似于深信網(wǎng)絡(luò)的全連接層。卷積層的功用可以視為濾波，池化層的功用是通過對卷積層的重采樣降維。深信網(wǎng)絡(luò)和神經(jīng)網(wǎng)絡(luò)采用的都是全連接，而卷積神經(jīng)網(wǎng)絡(luò)的卷積-池化層通過采用局部連接與權(quán)值共享等方法大幅減低了問題的維度和計算量。卷積神經(jīng)網(wǎng)絡(luò)的卷積池化層數(shù)、池化規(guī)則、單元間的連接規(guī)則等依據(jù)輸入圖像的大小、問題的復(fù)雜程度和計算能力等因素設(shè)定，神經(jīng)元間的連接方式依據(jù)網(wǎng)絡(luò)訓(xùn)練算法設(shè)定。

圖3 卷積神經(jīng)網(wǎng)絡(luò)示意圖Fig.3 Schematic diagrams showing Convolutional Neural Network (CNN)

1.3 深網(wǎng)絡(luò)訓(xùn)練(Deep Network Training)

深度學(xué)習(xí)之“學(xué)習(xí)”體現(xiàn)在網(wǎng)絡(luò)訓(xùn)練。深度學(xué)習(xí)的功用可以分為2大類：①建立輸入與期望輸出之間的映射關(guān)系；②發(fā)現(xiàn)輸入數(shù)據(jù)的內(nèi)秉(如類聚)特征。第①類的功用和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)類似；第②類的功用相當(dāng)于構(gòu)建一個分類器。不同功用的深網(wǎng)絡(luò)的訓(xùn)練方法有所不同。深網(wǎng)絡(luò)訓(xùn)練方法基本的有：①要監(jiān)督學(xué)習(xí)；②非監(jiān)督學(xué)習(xí)，此外還有半監(jiān)督學(xué)習(xí)、增強學(xué)習(xí)等，可以視為是基本訓(xùn)練方法的組合使用或改進(jìn)。

1.3.1 監(jiān)督學(xué)習(xí) (supervised learning)

所謂監(jiān)督學(xué)習(xí)，就是以已知屬性的數(shù)據(jù)(稱為有標(biāo)簽(label)數(shù)據(jù))為輸入和期望輸出迭代訓(xùn)練一個映射矩陣。作為映射系統(tǒng)的深網(wǎng)絡(luò)，采用監(jiān)督學(xué)習(xí)方法訓(xùn)練,比如用貓的圖片，訓(xùn)練網(wǎng)絡(luò)，使它能識別出貓。在我們的問題中，輸入數(shù)據(jù)是已知氣層的地震響應(yīng)數(shù)據(jù)，指定期望輸出為儲層的孔、滲、飽閾值參數(shù)，或者氣層。訓(xùn)練的目標(biāo)是具象化一個深網(wǎng)絡(luò)，把未知屬性地質(zhì)體的地震響應(yīng)輸入到這個網(wǎng)絡(luò)，使它能分辨出含氣層的響應(yīng)。映射網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)方法有許多，基本的是迭代擬合，關(guān)鍵是反饋，常用的實現(xiàn)方法包括有線性回歸、logistic回歸、樸素貝葉斯等，各有使用條件，如線性回歸建立的是線性關(guān)系，logistic回歸建立的是非線性關(guān)系，而樸素貝葉斯是以概率為準(zhǔn)則的。無論使用什么準(zhǔn)則，訓(xùn)練問題都可以歸為優(yōu)化問題進(jìn)行求解。監(jiān)督學(xué)習(xí)的訓(xùn)練結(jié)果是,一個元素為神經(jīng)元之間聯(lián)系權(quán)重的關(guān)系矩陣。

1.3.2 無監(jiān)督學(xué)習(xí)(supervised learning)

無監(jiān)督學(xué)習(xí)是深度學(xué)習(xí)的特有訓(xùn)練方法，具有知識發(fā)現(xiàn)的屬性。無監(jiān)督學(xué)習(xí)輸入的是無標(biāo)簽數(shù)據(jù)，輸出的是類別或關(guān)系,意在揭示數(shù)據(jù)的內(nèi)在特征，特別是關(guān)聯(lián)性與類別。關(guān)聯(lián)探求的是訓(xùn)練數(shù)據(jù)集中不同類目事件同時出現(xiàn)的概率；聚類探求的是訓(xùn)練數(shù)據(jù)集中數(shù)據(jù)的差異性或者相似性。無監(jiān)督學(xué)習(xí)，無論是尋找關(guān)聯(lián)關(guān)系還是分類，都各有多種實現(xiàn)方法，前者如Apriori 算法、FP-Growth算法等，后者如K-均值聚類、PCA分析等。顯然，這些算法早就存在，與深度學(xué)習(xí)沒有必然聯(lián)系，只是深度學(xué)習(xí)在網(wǎng)絡(luò)訓(xùn)練中可以使用這些方法來達(dá)到目標(biāo)。無監(jiān)督學(xué)習(xí)的應(yīng)用場景很廣泛，可以設(shè)計為地震屬性參數(shù)與含氣性的關(guān)聯(lián)分析，也可以設(shè)計為地震波形聚類與儲層含氣性的分析。這些工作此前采用其他方法也能實現(xiàn)，前者如各種交匯圖分析方法，后者如波形SOM聚類方法等。但使用深度學(xué)習(xí)方法可以在更高層次的抽象特征上進(jìn)行關(guān)聯(lián)分析和聚類，這有可能發(fā)現(xiàn)在低層次特征上發(fā)現(xiàn)不了的關(guān)系或類別特征。

無論是有監(jiān)督學(xué)習(xí)還是無監(jiān)督學(xué)習(xí)，要獲得理想結(jié)果，即訓(xùn)練出穩(wěn)健可靠的深網(wǎng)絡(luò)都非易事，特別是后者。其中一個重要的原因是在訓(xùn)練的過程中，需要調(diào)試的參數(shù)及其組合實在是太多。

深度學(xué)習(xí)網(wǎng)絡(luò)對對象的識別與神經(jīng)網(wǎng)絡(luò)類似，本質(zhì)上是模式識別。深網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)的本質(zhì)是建立以具象化關(guān)系矩陣描述的模式庫。監(jiān)督學(xué)習(xí)訓(xùn)練的網(wǎng)絡(luò)對目標(biāo)(無論是貓還是氣藏)的識別能力，取決于待判別對象和訓(xùn)練對象的一致性，一致性越高，識別能力越強。

深網(wǎng)絡(luò)訓(xùn)練(學(xué)習(xí))是深度學(xué)習(xí)的核心，許多研究都集中在這個方面。深網(wǎng)絡(luò)訓(xùn)練的實現(xiàn)方法很多，并且不斷有新的改進(jìn)算法提出[32]。目前已有多個開放的深度學(xué)習(xí)庫可以借鑒、利用[33]，如TensorFlow、Keras、Theano,Caffe2等，這些庫各有優(yōu)勢，我們可以結(jié)合自己的需求與資源條件選用或借鑒。

2 地震數(shù)據(jù)的深度學(xué)習(xí)

地質(zhì)數(shù)據(jù)深度學(xué)習(xí)的目的是揭示地震數(shù)據(jù)蘊含的源地質(zhì)體的屬性信息(如巖性，孔隙流體)。理論上，有2個基本的途徑可以實現(xiàn)這一目標(biāo)：①用已知源地質(zhì)體的地震響應(yīng)數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，建立地震數(shù)據(jù)和目標(biāo)屬性之間關(guān)系的深網(wǎng)絡(luò)表達(dá)，這可以歸于監(jiān)督學(xué)習(xí)；②用深度學(xué)習(xí)發(fā)現(xiàn)地震數(shù)據(jù)的特征，然后通過標(biāo)定確定深度學(xué)習(xí)特征和目標(biāo)屬性的關(guān)系，這可以歸于無監(jiān)督學(xué)習(xí)。地震數(shù)據(jù)的深度學(xué)習(xí)，無論是有監(jiān)督學(xué)習(xí)還是無監(jiān)督學(xué)習(xí)，都需要標(biāo)定，只不過前者標(biāo)定的是數(shù)據(jù)，后者標(biāo)定的是特征。我們對兩個途徑都進(jìn)行了研究探索，得出了初步的實驗結(jié)果。

2.1 地震數(shù)據(jù)的監(jiān)督深度學(xué)習(xí)

以井資料標(biāo)定，提取出川西某探區(qū)埋深六千多米的目標(biāo)層含氣層段與微含氣層段20 ms時窗地震響應(yīng)，構(gòu)建5層深信網(wǎng)絡(luò)進(jìn)行特征學(xué)習(xí)[19]，意圖發(fā)現(xiàn)含氣層地震響應(yīng)與微含氣區(qū)地震響應(yīng),實驗結(jié)果之一見圖4。圖4(a)是拉平了雷頂?shù)牡卣鹌拭鎴D，其中的W1表示微氣井，W2和W3標(biāo)示兩個高產(chǎn)氣井，紅色的橢圓形線圈示儲層段地震響應(yīng)。從圖4(a)可以看出，微氣層和高產(chǎn)氣層的地震響應(yīng)盛為相似，難以分別其差別。圖4(b)為訓(xùn)練的深網(wǎng)絡(luò)第5層第17結(jié)點的特征值。圖4(b)顯示微氣層和高產(chǎn)氣層地震響應(yīng)的深網(wǎng)絡(luò)第5層第17特征的值有顯著差別,這表明，表觀差別很小的地震數(shù)據(jù)，經(jīng)過深網(wǎng)絡(luò)的映射，能發(fā)現(xiàn)其內(nèi)稟的差別。至于這個差別的物理機制，目前尚不得而知。這個差別是否內(nèi)稟穩(wěn)定，即是否所有微氣層(無氣層)和高產(chǎn)氣層地震響應(yīng)5層深信網(wǎng)絡(luò)第5層第17特征的值都有此差異特征(含氣層的特征值比微氣層更小)，目前尚不能確定。因為我們可供訓(xùn)練檢驗的樣本數(shù)還很少。盡管如此，我們認(rèn)為這仍是一個令人深受鼓舞的結(jié)果，因為這表明利用深度學(xué)習(xí)能發(fā)現(xiàn)表觀上相同的地震數(shù)據(jù)的內(nèi)稟差別。

圖4 川西某勘探區(qū)含氣層與微氣層地震響應(yīng)與深網(wǎng)絡(luò)特征值Fig.4 Seismic response and deep network feature of gas-bearing layer and micro-gas layer in a prospecting block in Western Sichuan(a)連井地震剖面的地震記錄;(b)深網(wǎng)絡(luò)特征值

圖5 川西某勘探區(qū)目標(biāo)層地震波形聚類與深網(wǎng)絡(luò)特征聚類Fig.5 Seismic waveform clustering and deep network feature clustering of the target layer in in a prospecting block in Western Sichuan(a)波形聚類及分布;(b)深網(wǎng)絡(luò)特征值類聚類及分布

2.2 地震數(shù)據(jù)的無監(jiān)督深度學(xué)習(xí)

使用5層深信網(wǎng)絡(luò)對川西某天然氣勘探區(qū)埋深六千多米的目標(biāo)層地震響應(yīng)進(jìn)行無監(jiān)督學(xué)習(xí)，對訓(xùn)練的深網(wǎng)絡(luò)特征進(jìn)行聚類分析，意圖發(fā)現(xiàn)數(shù)據(jù)的內(nèi)稟類型特征。代表性深網(wǎng)絡(luò)特征聚類結(jié)果及與波形聚類結(jié)果的對比如圖5所示。圖5(a)顯示的是目標(biāo)層位地震波形SOM聚類結(jié)果，圖5(b)顯示的是無監(jiān)督學(xué)習(xí)訓(xùn)練的深網(wǎng)絡(luò)第5層特征均值聚類。波形聚類是研究沉積微相變化，預(yù)測儲層的重要手段。圖5所示區(qū)域的面積約150 km2，圖5(a)和圖5(b)的數(shù)據(jù)不同，因此兩圖中的類之間不具有確定的相關(guān)性，但類的分布特征可以比對。從圖5可以得出：①研究區(qū)雷口坡組頂部層段巖性橫向有變化，可以劃分為不同的微相區(qū)帶；②氣層(W2，W3標(biāo)示)和微氣層(W1標(biāo)示)地震響應(yīng)的波形大體上屬于一類，沒有顯著可分辨的差異特征，但深網(wǎng)絡(luò)特征值有顯著可分辨的差別。這和圖4展示的結(jié)果是吻合的。如果藍(lán)色和青色所代表的深網(wǎng)絡(luò)特征值類確實是含氣層的反映，那么藍(lán)色和青色區(qū)域就是含氣層的分布區(qū)。這表明，利用深度學(xué)習(xí)，能揭示含氣層與非氣層地震響應(yīng)的內(nèi)稟特征差異，并由此可以預(yù)測含氣層的分布。

3 總結(jié)與討論

深層儲層因為巨厚上覆地層的遮擋，以及地震視距的加大和地層壓力的加大，儲層在地震上表現(xiàn)為弱非均質(zhì)，因此深層儲層地震反射信號弱，孔隙流體信息響應(yīng)更弱,我們把這些特征歸納起來簡稱為“三弱”。深層儲層的三弱特征使得既有儲層預(yù)測方法，特別是含氣性預(yù)測方法難以發(fā)揮效用，必須有針對性的研究發(fā)展新的儲層預(yù)測方法技術(shù)。

深度學(xué)習(xí)層次化的概念讓計算機能通過構(gòu)建較簡單的概念來學(xué)習(xí)復(fù)雜概念，由此也使它有了知識學(xué)習(xí)和發(fā)現(xiàn)對象內(nèi)稟特征的能力。本研究的實驗表明，運用深度學(xué)習(xí)能發(fā)現(xiàn)深層微氣層和氣層地震響應(yīng)的差別，由此可以發(fā)展識別深層天然氣層甜點的方法技術(shù)。這對儲層預(yù)測來說是機遇，我們可以從新的視角——深度學(xué)習(xí)的角度處理儲層預(yù)測問題。

盡管深度學(xué)習(xí)在自然語言處理、圖像處理、決策支持等領(lǐng)域獲得了巨大的成功，但在地震信號處理和儲層預(yù)測領(lǐng)域，總體上仍處于起步階段。深度學(xué)習(xí)的發(fā)展需要有兩個支撐條件：足夠數(shù)量的訓(xùn)練樣本，足夠強的計算能力。對基于地震數(shù)據(jù)深度學(xué)習(xí)的儲層預(yù)測而言，最具挑戰(zhàn)性的是訓(xùn)練樣本問題。雖然地震數(shù)據(jù)是大數(shù)據(jù)，但地震數(shù)據(jù)集中儲層響應(yīng)的占比通常不足1‰。這和通常意義上的大數(shù)據(jù)深度學(xué)習(xí)有很大地不同。大數(shù)據(jù)深度學(xué)習(xí)的核心是統(tǒng)計，統(tǒng)計依賴于樣本數(shù)量。而儲層的地震響應(yīng)是地震大數(shù)據(jù)集中的小概率事件，用現(xiàn)有統(tǒng)計理論方法無法處理。另一個具有挑戰(zhàn)性的問題是: 我們不知道儲層的地震響應(yīng)實際是什么樣的。在現(xiàn)有深度學(xué)習(xí)成功應(yīng)用的領(lǐng)域，無論是自然語言處理還是圖像識別，我們都確切地知道我們的對象“長什么樣”。但在儲層預(yù)測問題中，無論是對地質(zhì)對象(儲層)還是對地質(zhì)對象的地震響應(yīng)，我們其實都不清楚它“長什么樣”。由此帶來的困境就是不易評判深度學(xué)習(xí)的結(jié)果。

深度學(xué)習(xí)方法技術(shù)發(fā)展很快，從深網(wǎng)絡(luò)架構(gòu)設(shè)計到網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)方法都在不斷地推陳出新。筆者使用的深度學(xué)習(xí)方法相對而言比較經(jīng)典，未來可考慮在深入進(jìn)行問題比對的基礎(chǔ)上，借鑒其他領(lǐng)域發(fā)展的先進(jìn)的深網(wǎng)絡(luò)訓(xùn)練方法提高地震數(shù)據(jù)深度學(xué)習(xí)的效能，如強化學(xué)習(xí)、遷移學(xué)習(xí)及其組合學(xué)習(xí)。

致謝：

吳施楷、葉紹澤、劉哿哲、何沂、甘宇等博碩士研究生同學(xué)先后參加了相關(guān)研究并為本文成果的產(chǎn)出做出了貢獻(xiàn)，特此致謝！

[1] 《BP世界能源統(tǒng)計年鑒》2017版 [EB/OL].[2017-07-05].https://www.bp.com/zh_cn/china/reports-and-publications/_bp_2017-_.html.

BP world energy statistics yearbook 2017 Edition[EB/OL].[2017-07-05].https://www.bp.com/zh_cn/china/reports-and-publications/_bp_2017-_.html.(In Chinese)

[2] 國家發(fā)展改革委,國家能源局.能源生產(chǎn)和消費革命戰(zhàn)略 (2016-2030) [EB/OL]. [2017-04-25]. http://www.gov.cn/xinwen/2017-04/25/5230568/files/286514af354e41578c57ca38d5c4935b.pdf.

National development and Reform Commission, National Energy Agency, "energy production and consumption revolution strategy (2016 - 2030)" [EB/OL]. [2017-04-25]. http://www.gov.cn/xinwen/2017-04/25/5230568/files/286514af354e41578c57ca38d5c4935b.pdf.(In Chinese)

[3] 中國石油第四次油氣資源評價重大科技專項收官 [EB/OL]. [2016-11-11]http://www.mzxww.net/syzy/201612/387.html.

Oil and gas resources assessment of China's fourth major oil and gas resources[EB/OL]. [2016-11-11].http://www.mzxww.net/syzy/201612/387.html.(In Chinese)

[4] 劉樹根, 孫瑋, 趙異華, 等. 四川盆地震旦系燈影組天然氣的差異聚集分布及其主控因素[J]. 天然氣工業(yè), 2015, 35(1): 10-23.

LIU S G, SUN W, ZHAO Y H, et al. Differential accumulation and distribution of natural gas and their main controlling factors in the Upper Sinian Dengying Fm, Sichuan Basin [J]. Natural Gas Industry, 2015, 35(1): 10-23.(In Chinese)

[5] HAMMOND A. L. Bright Spot: Better seismological indicators of gas and oil [J]. Science，1974, 185:515-517.

[6] OSTRANDER W. J. Plane wave reflection coefficients for gas sands at non-normal angles of incidence [J]. Geophysics, 1984, 49(10):1637-1648.

[7] SHUEY R.T. A simplification of the Zoeppritz equation [J]. Geophysics, 1985, 50(4):609-614.

[8] EBROM D. 2004. The low-frequency gas shadow on seismic sections [J]. The Leading Edge，2004, 23(8): 772-772.

[9] BACLIS, M. M., CHEN, L. Flat-spot exploration [J]. Geophysical Prospecting. 1975, 23(3): 533-577.

[10] BROWN, A. R. Dim spots: Opportunity for future hydrocarbon discoveries[J]. The Leading Edge, 2012, 31(6), 682-683.

[11] JUNXING CAO，XIAOYAN HE，RENFEI TIAN. Seismic-print analysis and hydrocarbon identification [C].AGU FALL Meeting 2011.

[12] 曹俊興、田仁飛. 基于地震紋分析的儲層檢測方法. 中國. ZL 2011 1 0165615.6 [P]. 2013.

CAO J X, TIAN R F. Reservoir detection method based on seismic-print analysis [P]. Patent No .: ZL 2011 1 0165615.6. 2013.

[13] 曹俊興, 劉樹根, 田仁飛, 等. 龍門山前陸盆地深層海相碳酸鹽巖儲層地震預(yù)測研究[J]. 巖石學(xué)報, 2011, 27(8): 2423-2434.

CAO J X, LIU S G, TIAN R F, et al. Seismic prediction of carbonate reservoirs in the deep of Longmenshan foreland basin [J]. Acta Petrologica Sinica, 2011, 27(8): 2423-2434.(In Chinese)

[14] AlphaGo Zero [DB/OL].[2017-11-17]. https://en.wikipedia.org/wiki/AlphaGo_Zero.

[15] Deep_learning [DB/OL].[2017-11-23].. https://en.wikipedia.org/wiki/Deep_learning.

[16] 曹俊興. 基于地震紋特征深度學(xué)習(xí)的天然氣儲層識別 [C]. 2016 中國地球科學(xué)聯(lián)合學(xué)術(shù)年會論文集. 2016.

CAO J X. Gas reservoir identification basing on deep learning of seismic-print characteristics [C]. Proceedings of the 2016 China Earth Science Conference. 2016.(In Chinese)

[17] CAO J., WU S., He X. Gas reservoir identification basing on deep learning of seismic-print Characteristics [C]. AGU Fall Meeting Abstracts. 2016.

[18] CAO J X, WU Shikai. Deep Learning: Chance and challenge for deep gas reservoir identification [C]. International Geophysical Conference, Qingdao, China. 2017.

[19] 吳施楷. 基于深度學(xué)習(xí)的天然氣儲層檢測方法研究 [D]. 成都：成都理工大學(xué)，2017.

WU S K. Research on gas reservoir identification method based on deep learning [D]. Chengdu: Chengdu University of Technology，2017.(In Chinese)

[20] KEITH HOLDAWAY, PATRICK HALL, JORGE SILVA, et al. Surface reservoir characteristics from subsurface seismic images with deep learning methodologies [C]. International Conference and Exhibition, Barcelona, Spain, 3-6 April 2016. Society of Exploration Geophysicists and American Association of Petroleum Geologists, 2016.

[21] KORJANI M., POPA A., GRIJALVA E., et al. A new approach to reservoir characterization using deep learning neural networks [C]. SPE Western Regional Meeting, Anchorage, Alaska USA. Society of Petroleum Engineers, 2016.

[22] LU LIU ZHANG GUANGZHI, ZHAO CHEN. Reservoir thickness forecasting based on Deep Belief Networks [C]. International Geophysical Conference, Qingdao, China. 2017. https://doi.org/10.1190/IGC2017-186.

[23] MAURICIO ARAYA-POLO, TAYLOR DAHLKE, CHARLIE FROGNER , et al. Automated fault detection without seismic processing [J]. The Leading Edge, 2017,36(3), 208-214.

[24] XU, P.C., LU, WENKAI, WANG, BENFENG. Multi-Attribute Classification Based On Sparse Autoencoder - A Gas Chimney Detection Example [C]. 79th EAGE Conference and Exhibition, Paris, France. 2017. DOI:10.3997/2214-4609.201700920.

[25] GOODFELLOW I., BENGIO Y., COURVILLE A. Deep Learning [M], Cambridge, Massachusetts: MIT Press. 2016.

[26] ROSENBLATT F. The Perceptron: A probabilistic model for information storage and organization in the brain [J]. Cornell Aeronautical Laboratory, Psychological Review, 1958,65, 386-408.

[27] IVAKHNENKO, A. G., LAPA, V. G.. Cybernetic predicting devices [M]. CCM Information Corporation.1965.

[28] HINTON, G. E., SALAKHUTDINOV, R.Reducing the dimensionality of data with Neural Networks [J]. Science,2006,313(5786): 504-507.

[29] HINTON G., OSINDERO S., TEH Y.-W. A fast learning algorithm for deep belief nets [J]. Neural Computation, 2006, 18:1527-1554.

[30] WILLIAMS D, HINTON G. Learning representations by back-propagating errors [J]. Nature, 1986, 323(6088): 533-538.

[31] SCHMIDHUBER J. Deep learning in neural networks: An overview [J]. Neural networks, 2015, 61: 85-117.

[32] SABOUR S., FROSST N., HINTON G E. Dynamic routing between capsules [DB/OL]. [2017-10-26]. arXiv preprint arXiv:1710.09829, 2017.

[33] SHI S, WANG Q, XU P, et al. Benchmarking state-of-the-art deep learning software tools [DB/OL]. [2016-08-25]. arXiv preprint arXiv:1608.07249.

Deeplearninganditsapplicationindeepgasreservoirprediction

CAO Junxing

(State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Chengdu University of Technology, Chengdu 610059, China)

This paper introduces deep learning (DL) and deep gas reservoirs prediction based on the deep learning of seismic data. The paper introduces the "three weak" characteristics of deep oil and gas reservoirs and the key problems have to be dealt with in the reservoir recognition. The paper introduces the construction and training methods of deep network in deep learning, and an experimental result of deep gas reservoirs prediction based on the deep learning of seismic data. The experimental result shows that deep learning is of ability to reveal the intrinsic features of the seismic responses of hydrocarbon reservoirs. The paper also discusses the key scientific and technological issues involved in the prediction of deep oil and gas reservoirs using deep learning.

deep learning; reservoir prediction; seismic

2017-10-08 改回日期： 2017-10-20

國家自然科學(xué)基金(41430323，U1562219)；國家重點研發(fā)計劃深地專項項目(2016YFC0601100)

曹俊興(1961-)，男， 博士，教授，主要從事地球物理反演與層析成像、油氣地球物理勘探、地學(xué)大數(shù)據(jù)深度學(xué)習(xí)等研究， E-mail：caojx@cdut.edu.cn。

1001-1749(2017)06-0775-08

P 631.4

A

10.3969/j.issn.1001-1749.2017.06.10